生物医学图像信息技术论文提纲

论文题目：基于单像素探测和深度学习的运动物体识别技术

摘要：物体识别是计算机视觉领域当中的一项重要研究,已广泛应用于工业检测、交通监管、遥感、生物医学等领域。随着信息科学技术的不断发展,物体识别的准确率和速度在不断提升。实现高速、实时的物体识别成为该技术研究的主要方向之一。传统的物体识别技术,通过获取物体的图像,从图像中提取物体的特征,将特征进行匹配来实现物体的识别。但针对于高速运动物体的识别问题,需要提高时间分辨率来快速获取物体图像。随着人工智能和深度学习技术的不断发展,卷积神经网络被应用于物体的识别。通过训练卷积层中的卷积核,可以准确地提取物体中的特征,从而对物体进行识别。相比于传统的方法,深度学习技术在物体识别任务上具有更高的准确性、更强的鲁棒性和更快的识别速度。目前基于深度学习的物体识别技术依然依赖于物体图像的获取。高速相机由于具有较高的时间分辨率,通常被用来获取运动物体的图像。然而高速相机在数据存储、传输带宽和计算方面是有一定限制的,这使得高速运动物体的长时间的、实时的识别具有了挑战性。为此,本文提出了基于单像素探测和深度学习的物体识别技术,并进行了实验验证。提出的方法在物体信息获取阶段进行信息压缩,对物体的特征信息进行采样,不需要获取完整的图像信息,减少冗余信息的采集,提高了信息获取效率。首先,提出使用傅里叶单像素欠采样成像的方法,在成像阶段进行数据压缩,保留图像的部分特征。通过仿真训练使卷积神经网络来适应欠采样成像的结果,通过实验完成了在5%的图像频域采样下速率为24fps的动态手势识别,识别准确率达到了91.8%。其次,在单像素成像技术的基础上,分析了将空间光调制器与单像素探测器相结合的系统,提出了一种免图像的物体识别方法。使用卷积神经网络来生成自适应的物体特征结构光图案。利用空间光调制器投影特征图案,将目标物体的特征信息压缩成一维光强信号,并以物理的方式完成了网络中的卷积操作。得到的一维信号由单像素探测器采集,并直接反馈给神经网络进行识别。针对运动物体场景,通过实验完成了运动速度为5.66m/s的手写字符识别,识别速率达到了595fps,准确率达到了96.88%。提出的免图像物体识别方法节约了96.17%的数据存储量,实现了实时的运动物体识别。本论文提出基于单像素探测和深度学习相结合的物体识别技术,具有结构简单、紧凑的优点,该技术不需要获取完整的图像信息就可以实现准确的物体识别。该技术突破了高速相机工作时间较短的限制,减轻了图像存储、传输、处理的计算消耗,可实现大量、实时、快速运动物体的识别。单像素探测器的使用使得所提出的方法能够在非可见光波段、弱光、超视距、散射介质中工作。因此,该技术在工业检测、生物医学、军事等领域中有潜在的应用前景。

关键词：物体识别;单像素探测;免图像;卷积神经网络

学科专业：理学 光学

摘要

Abstract

第一章 绪论

1.1 研究意义

1.2 物体识别概述

1.3 基于单像素探测的物体识别技术的研究现状

1.4 本文研究的主要内容

第二章 基于单像素欠采样成像和深度学习的运动物体识别技术

2.1 原理与仿真

2.1.1 单像素成像原理

2.1.2 卷积神经网络基本原理

2.1.3 Res-Net网络结构

2.1.4 数据预处理和Res-Net训练仿真

2.2 实验与讨论

2.2.1 静态手势识别实验

2.2.2 动态手势识别实验

2.2.3 讨论

2.3 本章小结

第三章 基于单像素探测和深度学习的免图像高速运动物体识别技术

3.1 原理与仿真

3.1.1 系统结构

3.1.2 CNN架构

3.1.3 数据预处理和CNN训练仿真

3.2 实验与讨论

3.2.1 提取投影图案和二值化处理

3.2.2 静态字符识别实验

3.2.3 快速运动物体的监测识别实验

3.2.4 误差分析和讨论

3.3 本章小结

第四章 总结与展望

4.1 论文的主要研究内容和成果

4.2 论文的主要创新之处

4.3 研究展望

参考文献

致谢